[发明专利]一种基于声场和场纹的语音欺骗攻击检测方法

说明书

本发明公开了一种基于声场和场纹的语音欺骗攻击检测方法。通过双麦克风采集语音，提取获得双声道的语音信号，对双声道的语音信号分别进行信号处理，提取出场纹；采集并处理获得同一个人的多个语音的场纹，获得这个人的场纹分布，利用高斯混合模型进行训练；对未知发声体的待测语音重复上述步骤计算其场纹，利用训练后的高斯混合模型处理获得相似度概率，根据相似度概率判断检测是否为语音欺骗攻击。本发明能准确有效地检测出针对语音认证系统的欺骗攻击。

技术领域

本发明属于语音认证技术及安全技术领域的发声体认证检测方法，具体是涉及了一种可检测针对语音认证系统的欺骗攻击的处理方法。

背景技术

语音认证系统是一种通过提取说话人的语音特征并进行特征模式学习和匹配，从而对说话人身份进行鉴别的安全认证系统。由于其对硬件要求低(只需要麦克风)、成本低、个人操作简单方便、可进行远距离非接触式认证的特点，已经逐渐成为一种主流的个人认证和访问控制方式，在智能手机、智能音箱、智能家居等设备上得到了广泛的应用。

然而，现有的语音认证系统普遍容易遭受语音欺骗攻击。语音欺骗攻击指通过伪造与目标个人声音相似的语音来欺骗语音认证系统，从而冒充目标个人骗取访问权限的攻击手段。常见的语音欺骗攻击方式包括重放攻击、语音合成攻击、语音转换攻击。在重放攻击中，攻击者通过重新播放事先录制的目标个人真实语音来欺骗语音认证系统；在语音合成攻击中，攻击者利用人工智能或语音拼接等方式根据需要的语音内容合成虚假的目标个人声音；在语音转换攻击中，攻击者将其他人的语音转换为目标个人的声音。随着语音技术和电子设备的发展，语音欺骗攻击的门槛越来越低、效果越来越好、危害越来越大。因此，在这种情况下，亟需提出一种高效、低成本的语音欺骗攻击检测方法。

虽然语音欺骗攻击可以采用多种虚假语音信号的产生方式，但在实际的攻击过程中，攻击者需要利用扬声器(音箱)将虚假的语音信号变成在空气中传播的声音，播放给要攻击的语音认证系统。因此，对语音认证系统的防护可以从识别声音来源(发声体)出发，实现对欺骗攻击的检测。

对于任何发声体，其产生的声音在空间中传播的过程可以用物理学中的声场来描述。声场是声音在传播过程中产生的物理场，描述了声音在空间中不同位置的能量分布。声音作为一种机械振动波，它的传播可以用声场的变化来表示，可以形象化地类似于水面波纹的传播。声场的能量分布具有一定的特征，例如方向性就反映了声场的能量在特定方向上的聚集性。一个全向性的声场在各个方向都具有相似的能量强度，而一个方向性强的声场在某些特定方向上的能量强于其他方向。声场的方向性等能量分布特征与发声体本身的属性有关，例如一个面积大的发声体比面积小的发声体具有更强的方向性。

图1仿真了三个不同大小的发声体的声场。第一列为点声源，第二列为100mm长的线声源，第三列为200mm长的线声源，它们的大小依次递增，声源均位于每张图的中间最下位置。第一行图片为这些声源瞬时的声场，第二行为这些声源平均的声场能量分布。图中深色代表较强的能量值，浅色代表较低的能量值。可以看出，200mm大小的声源比点声源具有更强的声场方向性，因为能量较集中于特定的方向，也说明了面积大的发声体比面积小的发声体具有更强的方向性。

仿真说明在原理上可以通过提取声场的能量分布方向性特征来对发声体的属性进行推测。因为真实个人的发声体(包括声带、口腔、嘴鼻等)的属性特征(如形状尺寸)与欺骗攻击所使用的发声体(音箱)的属性特征不同，所以即使欺骗攻击产生了与真实个人非常相似的声音，攻击者的声场也会与真实个人的声场不同，因而可以基于声场对语音欺骗攻击进行检测。图2示意了来真实个人与语音欺骗攻击者可能存在的声场差异。

利用声场进行攻击检测的关键是从声场中提取出与说话内容无关的稳定的声场特征。

目前已有许多相关研究通过检测语音欺骗攻击引入的噪声和失真进行防护。然而这一类检测方法通常检测准确率低，且在攻击方法和设备升级后难以适用。此外还有通过个人佩戴额外设备进行活体检测的防御方法，此类方法由于需要额外设备导致成本较高、个人体验较差。目前还未有基于声场和场纹的语音欺骗攻击检测方法。